INTELIGÊNCIA ARTIFICIAL E CONTROLE HIERÁRQUICO DE PROCESSOS QUÍMICOS: INTEGRAÇÃO ENTRE SCHEDULING E CONTROLE AVANÇADO BASEADO EM REDES NEURAIS

Beatriz Fernandes Araújo; Bruno Klier Silva; Anamaria de Oliveira Cardoso; Lucas Franco Ferreira

Título do Trabalho

Autores

Beatriz Fernandes Araújo
Bruno Klier Silva
Anamaria de Oliveira Cardoso
Lucas Franco Ferreira

Modalidade

Resumo da Graduação (Ensino, Pesquisa, Extensão ou Creditação da Extensão)

Área temática

Engenharias

Data de Publicação

20/03/2024

País da Publicação

Brasil

Idioma da Publicação

Português

Página do Trabalho

https://www.even3.com.br/anais/sintegra/746936-inteligencia-artificial-e-controle-hierarquico-de-processos-quimicos--integracao-entre-scheduling-e-controle-avan

ISBN

978-65-272-0387-2

Palavras-Chave

Redes Neurais Artificiais, Controle Avançado, Scheduling

Resumo

Com o avanço contínuo da tecnologia, os sistemas e métodos de controle se tornaram cada vez mais complexos, caracterizados por processos dinâmicos que variam ao longo do tempo. Essa complexidade resultou na necessidade constante de busca por controladores que possam automatizar e otimizar essas técnicas. Um exemplo é o Model Predictive Control (MPC), que define ações adequadas para atingir o ponto desejado, com base na previsão do comportamento futuro de um processo, a partir de um modelo matemático. Para atender às demandas previamente determinadas, o planejamento de tarefas, alocação de recursos e utilização de matéria-prima desempenham um papel fundamental. Essa função é conhecida como scheduling, e seu objetivo é definir etapas do planejamento de produção. Integrar as camadas de controle avançado e scheduling é importante para otimizar o tempo de produção e maximizar o produto final, de acordo com as demandas do mercado. Neste estudo, foram investigadas maneiras de integrar esses dois processos utilizando técnicas baseadas em redes neurais artificiais, desenvolvidas em Python, utilizando a biblioteca Keras e o método fit para treinar o modelo. A função de perda escolhida foi o erro quadrático médio (MSE), enquanto a função de otimização selecionada foi o Nadam. A abordagem de treinamento por reforço foi empregada, permitindo que a rede neural aprendesse por meio de simulações em um ambiente virtual, evitando a necessidade de um grande conjunto de dados de treinamento. Esse tipo de treinamento é particularmente útil em problemas com saídas incertas, pois permite que a rede aprenda a reagir bem aos estímulos, mesmo sem uma resposta esperada definida. Após 400 épocas de treinamento, a rede neural alcançou um MSE de 0,0614 e um erro quadrado absoluto (MAE) de 0,0060. Quanto mais próximos de zero forem o MSE e o MAE, maior será a precisão dos dados, indicando que a rede neural realmente está aprendendo e não apenas memorizando respostas específicas para determinadas entradas. Os resultados obtidos neste estudo foram considerados satisfatórios, demonstrando que a rede neural foi capaz de aprender o comportamento do sistema, apresentando um erro quadrático próximo a zero e evitando o overfitting. Em comparação com a abordagem tradicional de controle avançado e scheduling, a rede neural demonstrou resultados promissores, reduzindo as oscilações do sistema e alcançando o ponto desejado, sem a presença de offset no sistema. Esses resultados sugerem uma maior eficácia e precisão do sistema quando a abordagem de integração proposta é adotada.

Título do Evento: IX Semana da Integração da UFVJM: Ensino, Pesquisa e Extensão
Cidade do Evento: Diamantina
Título dos Anais do Evento: Anais da Semana de Integração: Ensino, Pesquisa e Extensão da UFVJM
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

ARAÚJO, Beatriz Fernandes et al.. INTELIGÊNCIA ARTIFICIAL E CONTROLE HIERÁRQUICO DE PROCESSOS QUÍMICOS: INTEGRAÇÃO ENTRE SCHEDULING E CONTROLE AVANÇADO BASEADO EM REDES NEURAIS.. In: . Disponível em: https//www.even3.com.br/anais/sintegra/746936-INTELIGENCIA-ARTIFICIAL-E-CONTROLE-HIERARQUICO-DE-PROCESSOS-QUIMICOS--INTEGRACAO-ENTRE-SCHEDULING-E-CONTROLE-AVAN. Acesso em: 27/12/2024